YOLOV5训练自己的数据集（踩坑经验之谈）

前言

很惭愧，来csdn已经三年多了，却一直都在“白嫖”各位大神的经验与总结。这几天也一直在csdn里学习YOLOv3与YOLOv5训练数据集的具体步骤，几经波折终于实现了很好的效果。因此，决定利用闲暇时间，为大家写一篇YOLOv5训练数据集的小白手册，还望大家喜欢！有不同看法或意见欢迎在评论区指出！

1.YOLOv5的简介

（此段为个人理解，如有错误请指正！）
严格来讲，YOLOv5并不算是YOLO系列的第五代，因为并非原作者创作且暂时没有得到原作者的许可。但是，它的性能比上一代高很多，无论是效率还是精准度，都有很大的提升，因此被称为YOLOv5。

我不会描述技术知识。毕竟属于新手，还没有完全掌握。你可以去官网了解更多！

2.前期的准备

YOLOv5的代码链接：
GitHub官方下载（推荐）：https://github.com/ultralytics/yolov5

环境：

• Python版本：官方文档给出的是Python3.8以上，但博主亲测3.7版本也可以完美运行；
• Torch与CUDA：1.7.1+cu110（我在这里踩过坑，测试v3的时候使用了CUDA10.1版本，结果报错，后来升级为CUDA11了，就没出现任何问题了，这个还是看大家自己设备的需求吧(
  _
  )) 具体安装版本可以在官网查看：
  https://pytorch.org/
  ;
• 其他包：直接查看代码内置的requirements.txt文件的需求即可，缺什么装什么。

3.数据集的制作

制作数据集是一个繁琐且枯燥的过程，这里需要使用LabelImg工具，具体步骤就不展开了，但是大家标注具体类别的时候一定要细心，因为这会决定你的预测结果。
我使用了一个数据集来识别鱼群中的一种鱼，大约 200 条。

4.配置文件

4.1 创建文件

在data下创建如下几个文件夹（注意：images内为数据集原始图片，Annotations内为标注的xml文件）
并将images内文件复制到JPEGIamges中

根目录下创建1make_txt.py文件，代码如下：

import os
import random
trainval_percent = 0.1
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')
for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftest.write(name)
        else:
            fval.write(name)
    else:
        ftrain.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

根目录下继续创建1voc_label.py文件，代码如下：

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
sets = ['train', 'test','val']
classes = ['fish']
def convert(size, box):
    dw = 1. / size[0]
    dh = 1. / size[1]
    x = (box[0] + box[1]) / 2.0
    y = (box[2] + box[3]) / 2.0
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return (x, y, w, h)
def convert_annotation(image_id):
    in_file = open('data/Annotations/%s.xml' % (image_id))
    out_file = open('data/labels/%s.txt' % (image_id), 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)
    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
             float(xmlbox.find('ymax').text))
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
print(wd)
for image_set in sets:
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
    list_file = open('data/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write('data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

在这里要注意：我这里的classes = [‘fish’]仅代表我的数据集需要标注的类别是fish类，单引号的内容需要根据你的数据集确定，有几类就写几类。

修改之后，依次执行上面两个py文件，执行成功是这样的：

（1）labels下生成txt文件（显示数据集的具体标注数据）

（2）ImageSets下生成四个txt文件

（3）data下生成三个txt文件（带有图片的路径）

4.2 修改yaml文件

这里的yaml和以往的cfg文件是差不多的，但需要配置一份属于自己数据集的yaml文件。
复制data目录下的coco.yaml，我这里命名为fish.yaml
主要有以下三个变化：

a. 修改train,val,test的路径为自己刚刚生成的路径
b.nc里的数字代表数据集的类别，我这里只有鱼一类，所以修改为1
c.names里为自己数据集标注的类名称，我这里是’fish’

4.3 修改models模型文件

models下有四个模型，smlx需要训练的时间依次增加，按照需求选择一个文件进行修改即可

这里修改了yolov5s.yaml，只需要将nc的类别修改为自己需要的即可

5.训练train.py

这里需要对train.py文件内的参数进行修改，按照我们的需求需改即可
官方下载pt权重文件的速度太太太太太太慢了，所以分享给大家
链接：https://pan.baidu.com/s/1vlTmjNofB5kD3BOaSy4SnA
提取码：gr8v

weights，cfg，data按照自己所需文件的路径修改即可
epochs迭代次数自己决定，我这里仅用100次进行测试
batch-size过高可能会影响电脑运行速度，还是要根据自己电脑硬件条件决定增加还是减少
修改完成，运行吧！

这里附上命令行代码，大家可以根据个人需要修改！

python train.py --data fish.yaml --cfg yolov5s.yaml --weights weights/yolov5s.pt --epochs 10 --batch-size 32

我得到的错误：

train.py内加上这一行代码即可修改错误
os.environ[“KMP_DUPLICATE_LIB_OK”]=“TRUE”

接着提示我CUDA内存溢出，这就是内存占用过高电脑带不动了，因此需要修改batch-size，改小一点再试试

继续奔跑，成功！

6. 测试detect.py

可以去detect.py下修改参数，也可以直接运行这一行代码

python detect.py --weights runs/train/exp3/weights/best.pt --source data/Samples/ --device 0 --save-txt

source data/Samples/代表的是需要预测的图片路径，根据自己情况修改即可

运行结果：（结果图片会在run/detect下的exp文件夹中生成）

效果巨好啊！！！（除了一条隐身🐟）而且这只是迭代100次的结果，和我的原始标注的图片几乎没什么区别了
吹爆YOLOv5！！！

结语

这是我的第一篇CSDN博客，用了两个小时才写完，第一次接触有些生疏，可能文章有些细节也没有交代清楚，以后继续努力！如果能够帮助到大家，是我的荣幸！如果大家看过还是有些迷茫，可以评论提问，只要我看到就会回复的！
如果这篇文章对你有帮助，别忘了给我一个赞(＾U＾)ノ~YO

本文链接：https://blog.csdn.net/a_cheng_/article/details/111401500
请注明出处